سامانه همایش های دانشگاه آزاد اسلامی واحد نجف آباد

صفحه اصلی / سومین کنفرانس بین المللی مهندسی و علوم کامپیوتر و اولین کنفرانس ملی سامانه های هوشمند، کلان داده و رایانش پیشرفته

مقایسه عملکرد الگوریتم‌های جنگل تصادفی و شبکه عصبی MLP در تشخیص و تعیین شدت بیماری پارکینسون با داده‌های تجربی آنالیز راه رفتن

نویسندگان :

مهسا مهرابیان¹ محمد شاهقلی²

1- دانشگاه آزاد اسلامی واحد نجف آباد ، اصفهان 2- دانشگاه آزاد اسلامی واحد نجف آباد ، اصفهان

کلمات کلیدی :

پارکینسون،سینماتیک گیت،ویژگی‌های بیومکانیکی،یادگیری ماشین،شبکه‌های عصبی

چکیده :

در بیماری پارکینسون تشخیص زودهنگام و ارزیابی شدت اختلالات حرکتی با وجود مطالعات و تحقیقات بسیار، همچنان از چالش‌های مهم بالینی به‌شمار می‌رود. ناهنجاری‌های راه‌رفتن به‌عنوان یکی از مشخص‌ترین علائم حرکتی این بیماری، امکان استخراج شاخص‌های بصری و غیرتهاجمی را برای تشخیص فراهم می‌کنند؛ با این وجود، بسیاری از مطالعات مبتنی بر یادگیری ماشین تمرکز اصلی خود را در بهینه‌سازی معیارهای عملکرد مدل یادگیری قرار داده‌اند و برای تحلیل بیومکانیکی الگوهای حرکتی به‌صورت محدود عمل کرده‌اند. این مطالعه، یک الگوریتم تحلیلی با هدف ارزیابی شدت اختلال گیت در بیماران مبتلا به پارکینسون ارائه داده که در آن تحلیل‌های آماری و بیومکانیکی پیش‌مدل‌سازی به‌صورت ساختاریافته ایجاد و با مقایسه‌ی مدل یادگیری شبکه عصبیMLP، جنگل تصادفی و مدلی ترکیبی از آنها تلفیق شده‌است. داده‌ها از دیتاست چندمرکزی، CARE-PD استخراج شده، سپس ویژگی‌های سینماتیکی گیت در سطح مفصل مورد تحلیل قرار گرفته‌اند. نتایج تحلیل‌های پیش‌مدل‌سازی نیز نشان دادند که شاخص‌های مرتبط با تغییرپذیری حرکتی، تفاوت‌های آماری معناداری را در بین سطوح، به‌ویژه در نواحی تنه و اندام تحتانی خواهند داشت (05/0>p). همچنین از نتایج مدل‌سازی مشاهده شد که عملکرد مدل شبکه عصبی MLP در بین مدل‌ها توان تفکیک بالاتری را ارائه داده‌ (949/0=Macro-AUC و 836/0=Macro-AP) که همراه با کمترین خطای کالیبراسیون و میزان صحت 52/87 % ثبت شده‌است. این یافته‌ها مشخص می‌کند که با ترکیب تحلیل‌های بیومکانیکی و مدل‌سازی داده‌محور، می‌توان ابزارهای تشخیصی را برای شناسایی و ارزیابی مناسب‌تری از شدت اختلال راه‌رفتن بیماران پارکینسون ارتقا داد.